甘斯发电机的损耗函数

Question

我已经深入研究了gans并在pytorch中实现了它，现在，当我浏览该网站Mathematics behing Gans时，我正在研究gans背后的核心统计信息 它说

  

“损失（G）=-损失（D），请注意，我们将发电机成本定义为判别器成本的负数。这是因为我们没有明确的方法来评估发电机成本。”

但是在执行gan时，我们将生成器的损耗定义为：

  

Bintropy生成器和Real标签所产生图像的鉴别器输出之间的交叉熵损失（如原始论文所述）和以下代码（由我实施和测试）

    # train generator
    z_ = to.randn(minibatch,100 ).view(-1, 100, 1, 1)
    z_ = Variable(z_.cuda())
    gen_images = generator(z_)

    D_fake_decisions = discriminator(gen_images).squeeze()
    G_loss = criterion(D_fake_decisions,real_labels)

    discriminator.zero_grad()
    generator.zero_grad()
    G_loss.backward()
    opt_Gen.step()

请向我解释一下两者之间的区别以及正确的区别

代码链接：https://github.com/mabdullahrafique/Gan_with_Pytorch/blob/master/DCGan_mnist.ipynb

谢谢

Answer 1

判别器的工作是执行二进制分类以检测真实和伪造之间的距离，因此损失函数为二进制交叉熵。

发生器所做的是从噪声到真实数据的密度估计，并将其馈送到鉴别器以使其蒙蔽。

设计中采用的方法是将其建模为MinMax游戏。现在让我们看一下成本函数：

有人将其解释为：

  

J（D）中的第一项表示将实际数据提供给鉴别器，鉴别器将要最大化预测一个的对数概率，从而表明数据是真实的。第二项表示由G生成的样本。在这里，鉴别器将要最大化预测零的对数概率，这表明数据是伪造的。另一方面，生成器试图使鉴别器正确的对数概率最小。解决该问题的方法是博弈的平衡点，这是鉴别器损失的鞍点。

由于判别器试图将生成器样本的概率最大化为零，因此生成器的工作将最大化一个。这等效于使Generator的成本函数为负交叉熵，此时J（D）中的第一项将是恒定的。

来源：https://towardsdatascience.com/generative-adversarial-networks-history-and-overview-7effbb713545